Alfabetização de dados nas organizações

Pessoas e tecnologia são as duas chaves para maximizar o poder dos dados para a organização. Isso significa um crescimento nas organizações que contratam especialistas em dados e recursos de análise e autoatendimento para estender a influência dos dados em vários departamentos e equipes.

A democratização dos dados em toda a empresa pode ajudar todos, desde o CEO até os funcionários da linha de frente, a realizar seus trabalhos de forma mais rápida, melhor, mais eficaz e eficiente. O mercado de inteligência de negócios e análise está projetado para crescer em US$ 18.300 bilhões, impulsionado pela necessidade de maior agilidade, acessibilidade e insights mais profundos.

Um erro clássico é pensar que a tecnologia pode enfrentar suficientemente esse desafio, mas isso só gera deriva nas iniciativas de evolução tecnológica e eficiência. Não está entre suas funções promover a alfabetização e a cultura de dados per se.

Algumas soluções de análise avançada poderiam ajudar uma nova geração de cientistas de dados menos tecnológicos, mas essas pessoas vêm de grupos já especializados em estatística e análise, ou seja, não afeta a organização como um todo.

Alguns estudos preveem que 40% das tarefas relacionadas a dados serão automatizadas até 2020, mas a maior parte dessa automação será aplicada às tarefas padrão de carregamento, limpeza e qualidade que atualmente dificultam o trabalho dos especialistas em dados. Mesmo análises descritivas básicas não serão eficientes, pois não podem tomar decisões com base na adequação dos dados subjacentes.

O sistema educacional resolverá gradualmente o problema da alfabetização de dados. Embora as instituições educacionais compreendam a necessidade, elas continuam a ficar atrás das necessidades de alfabetização de dados da força de trabalho moderna. Em seu TED Talk de 2009, o matemático Arthur Benjamin argumentou que é hora de o currículo de matemática mudar de analógico para digital, e de estatística e probabilidade substituir o cálculo no topo da pirâmide matemática.

Essa mudança necessária não está à vista no curto ou médio prazo.

É mais urgente resolver a escassez de talentos em ciência de dados. É mais preocupante que a grande maioria dos trabalhadores esteja cada vez menos preparada para enfrentar esse novo cenário. Em vez de esperar que a tecnologia ou o sistema educacional resolvam o problema, a organização tem que analisar, definir uma estratégia, tarefas e ativar o que pode ser feito para alfabetização de dados em todas as áreas internamente.

Por exemplo, há alguns anos, os departamentos de marketing quase não tinham dados para medir os resultados tangíveis de suas ações. Agora é um dos departamentos mais orientados a dados e estratégicos de dados. A isto devemos acrescentar que eles têm objetivos departamentos de vendas e comercial.

Chaves para a alfabetização de dados

A alfabetização de dados abrange um amplo espectro de habilidades, por isso é importante estabelecer uma base funcional para desenvolver conhecimentos específicos para cada perfil em cada caso, mas com fundamentos comuns.

Assim como as pessoas não precisam de um diploma avançado em inglês para serem alfabetizadas, as pessoas não precisam de conhecimento estatístico avançado ou habilidades de programação em Python ou R para se tornarem alfabetizadas em dados.

Os níveis de habilidade de leitura e escrita são frequentemente definidos pelo que as pessoas podem ou não alcançar em suas vidas cotidianas; devemos fazer o mesmo com a alfabetização de dados.

Quando se trata de alfabetização básica de dados, por exemplo, um funcionário deve ser capaz de analisar e interpretar adequadamente um gráfico ou gráfico de dados padrão. Eles devem se sentir confortáveis ​​com qualquer um dos gráficos comuns, como gráficos de linhas, gráficos de barras, gráficos de área, gráficos de pizza e gráficos de dispersão encontrados na maioria dos aplicativos de negociação, painéis e relatórios de notícias atuais.

Idealmente, seria ótimo se todos soubessem como produzir seus próprios gráficos e fazer suas próprias análises, mas na minha opinião, esse não é o padrão mínimo que buscamos. No mínimo, precisamos que as pessoas sejam capazes de consumir e interpretar dados de forma eficaz. Para fazer isso, eles precisarão de habilidades nas quatro áreas de dados ou gráficos a seguir:

1. Conhecimento
2. Assimilação
3. Interpretação
4. Revisão do Processo

1.- Conhecimento dos dados

Cada setor de negócios, organização e departamento tem seu próprio conjunto exclusivo de termos e dados. Quanto mais os funcionários entenderem a partir de uma perspectiva de negócios, mais bem posicionados estarão para aplicá-los.

Por exemplo, no caso de vendas online, você deve estar familiarizado com métricas básicas como visualizações de página, sessões, visitantes únicos e taxa de rejeição. Além de conhecer os fatos, você precisa de habilidades para trabalhar com números e aritmética.

É surpreendente que muito do foco dos cientistas de dados seja apenas aritmética, quando a grande maioria das análises (80%) se concentra em somas e meios. Além disso, uma compreensão básica de conceitos e termos estatísticos é útil, como saber o que é correlação e a diferença entre dados quantitativos e qualitativos.

2.- Assimilação de dados

Quando são apresentados novos dados que precisam ser interpretados, é preciso iniciar o processo de compreensão de dados desconhecidos antes de consumi-los. Ele não está analisando ou fazendo nenhum julgamento ainda, ele está apenas absorvendo as informações.

Para isso, os seguintes elementos das tabelas ou gráficos devem ser inspecionados e solicitados esclarecimentos se algum elemento for ambíguo ou for percebida uma falta de compreensão com certeza:

• Título e rótulos: A tabela ou gráfico é intitulado e rotulado de forma descritiva e clara?
• Período: Quais são os intervalos de datas para os dados apresentados?
  Fonte de dados: de onde vêm os dados?
• Unidade(s) de medida: Está claramente entendido o que as métricas representam nos gráficos ou tabelas?
• Escalas: As escalas dos eixos do gráfico são claras e eficazes?
• Métrica(s) Calculada(s): Para razões, taxas e outras fórmulas, há uma compreensão clara de como elas são calculadas?
• Dimensões: As dimensões ou categorias usadas para organizar ou segmentar os dados são claras e significativas?
• Filtros: está claro se algum filtro específico foi aplicado ao conjunto de dados (por exemplo, todos os clientes versus novos clientes)?
• Classificação: Se os títulos foram classificados ou divididos em tranches, está claro quais critérios foram usados?
• Metas – Se metas ou objetivos foram adicionados aos gráficos, está claro o que eles representam?

3.- Interpretação dos dados

Uma vez familiarizado com os dados, você pode analisá-los e interpretá-los. Dependendo do tipo de dados e seu formato de apresentação, eles podem ser examinados de muitas maneiras diferentes. Em geral, você deve estar acostumado a fazer os seguintes tipos de observações em gráficos:

• Tendência: em que direção a métrica da tendência está indo (para cima, para baixo, para baixo)?
• Padrões: Quais padrões ou ciclos repetíveis são percebidos nos dados (por exemplo, sazonalidade)?
• Lacunas: Existem lacunas ou omissões óbvias no conjunto de dados?
• Agrupamentos: Alguns valores estão relacionados em determinadas áreas?
• Assimetria: Os valores estão visivelmente concentrados ou distorcidos mais para um lado do que para o outro?
• Outliers: Existe um ponto de dados separado ou distante do restante dos pontos de dados?
• Foco: Alguma coisa foi enfatizada no gráfico ou tabela para chamar a atenção para isso? É óbvio por que alguns dos dados foram destacados?
• Ruído: Estão incluídos dados estranhos que distorcem a mensagem principal do gráfico?
• Lógico: Os dados ajudam a responder a uma pergunta de negócios específica? Os dados suportam uma conclusão ou um argumento proposto?

4.- Revisão do processo

Além de analisar e interpretar os dados, você também precisa desenvolver um pensamento crítico e construtivo sobre eles. Os dados são geralmente aceitos como apresentados. No entanto, é importante ter uma visão geral para avaliar os fatores menos óbvios que podem influenciar os resultados e sua posterior interpretação.

• Método de coleta: O método ou a forma como os dados foram coletados podem influenciar os resultados?
• Credibilidade: Quão credível ou confiável é a fonte dos dados?
• Viés: Existe um possível viés do produtor ou consumidor de dados (incluindo ele mesmo)?
• Verdadeiro: os dados são manipulados de uma forma, intencional ou inadvertidamente, que deturpa seu verdadeiro significado?
• Suposições: Existem suposições implícitas que podem estar afetando a forma como os números estão sendo interpretados?
• Contexto: Existe algum contexto adicional ou informação de fundo que está faltando e é necessária para entender adequadamente os dados?
• Comparações: Se dados suplementares forem incluídos para fins de comparação (por exemplo, dados de período a período), eles fornecem uma comparação justa e relevante? Alternativamente, está faltando uma comparação óbvia?
• Causalidade: Você potencialmente confunde correlação com causalidade, que representa um padrão direto de causa e efeito?
• Significância: Se os dados são estatisticamente significativos, também são significativos na prática?
• Outliers: É um outlier importante ou está desnecessariamente enviesando os resultados gerais?
• Qualidade: você consegue distinguir entre dados que não podem ser usados ​​ou dados que ainda são úteis para a liderança ou gerenciamento?

Conclusão

Assim como a alfabetização desenvolve as civilizações para longe da ignorância e da pobreza, a alfabetização de dados também enriquece a organização.

Infelizmente, muitos usuários ainda pensam que os dados são principalmente o trabalho de outra pessoa ou de um departamento mais analítico. Nos ambientes ricos em dados de hoje, entender, usar e comunicar dados de forma eficaz é responsabilidade de todos, não apenas dos especialistas em dados.

Preencher a lacuna de alfabetização de dados na entidade acelera a capacidade dos funcionários de aproveitar as crescentes quantidades de dados disponíveis.

Além disso, deve-se levar em conta que as repercussões do analfabetismo de dados afetam toda a sociedade e as pessoas, não apenas as organizações. Em meio aos gritos alarmistas, notícias falsas e a proposição de fatos alternativos infundados, é fundamental incentivar uma maior alfabetização de dados para que as pessoas possam distinguir melhor entre fato e ficção.

A melhor proteção contra dados enganosos é imunizar-se contra sua influência negativa por meio do aumento da alfabetização de dados.